Inmunidad determinista: ingeniería de la resiliencia de la red mediante Deep AI tras el apagón ibérico de 2025

El fallo catastrófico del sistema eléctrico ocurrido en la península ibérica el 28 de abril de 2025 representa un momento seminal en la historia de la gestión de infraestructuras críticas. A las 12:33 CEST, una secuencia en cascada de eventos provocó la desconexión total de las redes eléctricas española y portuguesa del Área Síncrona Continental Europea, precipitando una pérdida súbita de 15 gigavatios (GW) de capacidad de generación en un intervalo de cinco segundos.¹ Este evento, que dejó a aproximadamente 60 millones de residentes sin electricidad durante hasta diez horas y provocó varias víctimas mortales relacionadas con el fallo de la infraestructura, constituye una acusación contundente de la dependencia actual de protocolos de control heredados y sistemas de automatización probabilísticos.³ Si bien el discurso público inicial especuló sobre la inestabilidad de las fuentes de energía renovable, las investigaciones formales de la European Network of Transmission System Operators for Electricity (ENTSO-E) y de Red Eléctrica de España (REE) han identificado una causa raíz técnica más matizada: un colapso sistémico en la gestión de la potencia reactiva y el incumplimiento de las centrales de los protocolos de control dinámico de tensión, en concreto el Procedimiento de Operación 7.4 (P.O. 7.4).¹

Para los líderes empresariales y los operadores del sistema, el apagón de 2025 pone de relieve una peligrosa brecha tecnológica. En una era en la que muchas consultoras de IA se centran en aplicaciones «envoltorio» —interfaces delgadas sobre grandes modelos de lenguaje (LLM) probabilísticos como GPT-4 o Claude—, el incidente ibérico demuestra que las infraestructuras de alto riesgo requieren soluciones de «Deep AI». Veriprajna se sitúa a la vanguardia de este cambio, yendo más allá de la «falacia de la libertad infinita» de la IA generativa para ofrecer arquitecturas deterministas, informadas por la física y neuro-simbólicas capaces de tomar decisiones a escala de microsegundos en entornos donde las alucinaciones no son meros errores, sino catástrofes empresariales y sociales.⁷ Este whitepaper analiza la arquitectura técnica del colapso de 2025 y esboza el marco de un sistema de «inmunidad» determinista de la red diseñado para prevenir la repetición de tales fallos sistémicos.

Génesis técnica del colapso de 15 GW

Las condiciones de la mañana del 28 de abril de 2025 se caracterizaron por una alta penetración renovable —que representaba el 78% de la generación poco antes del colapso— unida a niveles históricamente bajos de generación síncrona convencional.⁹ Este entorno, aunque favorable para los objetivos de descarbonización, redujo significativamente la inercia natural del sistema, haciendo que la red fuera altamente sensible a las perturbaciones de tensión y frecuencia.⁹ Aproximadamente a las 12:00, el sistema comenzó a experimentar oscilaciones sub-síncronas (SSO) a frecuencias de 0,21 Hz y 0,63 Hz.⁴ Estas oscilaciones, desencadenadas por interacciones adversas entre los sistemas de control de los generadores y la red de transporte, iniciaron una secuencia de intervenciones manuales y automatizadas que desestabilizaron de forma inadvertida el perfil de tensión del sistema.⁴

Cronología de la degradación sistémica y del fallo

Hora (CEST)	Fase del evento	Mecanismo técnico	Impacto en el sistema
09:00 - 12:00	Advertencia previa al incidente	Desconexión de reactancias shunt para gestionar subtensiones transitorias durante las oscilaciones.	Agotamiento de la capacidad de absorción de potencia reactiva. 12
12:00 - 12:31	Amortiguación de oscilaciones	Los TSO energizaron circuitos paralelos de 400 kV y conmutaron los enlaces HVDC a modo de potencia fija.	Impedancia del sistema reducida; tensiones de transporte elevadas. 12
12:31 - 12:32	Brecha de observabilidad	Las tensiones de transporte permanecieron dentro de los límites (418 kV), pero las tensiones del lado colector alcanzaron 242 kV.	Violaciones ocultas de sobretensión en los niveles de distribución/colector. 12
12:33:10	Pérdida súbita de capacidad	15 GW de generación perdidos en 5 segundos debido a disparos de protección en cascada.	El 60% de la demanda nacional total se perdió de forma instantánea. 2
12:33:18	Colapso de frecuencia	La frecuencia del sistema bajó por debajo de 48,0 Hz; el deslastre automático de carga no logró estabilizar la caída.	Activación de la separación regional y del apagón. 3
12:33:24	Aislamiento total	Disparo final de las interconexiones HVDC y de CA con Francia y Marruecos.	Apagón total en España y Portugal. 3

La revelación más crítica del análisis posterior al evento fue la «brecha de observabilidad». Mientras los operadores del sistema de transporte (TSO) monitorizaban las líneas de alta tensión (400 kV), el fallo en cascada se inició en las subestaciones del nivel colector (220 kV).¹² Debido a que los cambiadores de tomas de los transformadores no se ajustaron con la suficiente rapidez a las subidas de tensión de las 12:31, las tensiones internas de las centrales superaron los umbrales de protección incluso cuando los datos a nivel de transporte parecían nominales.¹² Esto subraya la necesidad de una IA nativa en el borde que no dependa del sondeo centralizado, sino que opere a escala de milisegundos directamente en el punto de generación y distribución.

Protocolos de potencia reactiva y el fallo de la aplicación simbólica

El fallo central del incidente de 2025 no fue la falta de tecnología disponible, sino un fallo en la aplicación de los protocolos. La potencia reactiva ($Q$) es el alma de la estabilidad de tensión. En un sistema de CA, la relación entre la tensión ($V$), la potencia activa ($P$) y la potencia reactiva ($Q$) se rige por la ecuación de potencia compleja $S = P + jQ$ y las aproximaciones correspondientes de la caída de tensión.¹³ Para mantener la estabilidad, las centrales deben ajustar dinámicamente su salida de potencia reactiva: inyectándola para elevar la tensión durante los huecos y absorbiéndola para bajarla durante los picos.¹⁵

En España, estos requisitos están codificados en el Procedimiento de Operación 7.4 (P.O. 7.4), que obliga a que las unidades generadoras proporcionen control dinámico de tensión manteniendo la capacidad de aportar o absorber potencia reactiva equivalente al menos al 30% de su potencia máxima.⁶ El 28 de abril, el sistema requirió una absorción masiva de potencia reactiva para contrarrestar el pico de tensión causado por el mallado de la red y la baja demanda.¹² Sin embargo, múltiples instalaciones de generación no alcanzaron sus valores mínimos de absorción legalmente exigidos, respondiendo demasiado despacio o no respondiendo en absoluto.¹⁶

La anomalía de la inyección de potencia reactiva

La investigación destacó un fallo particularmente grave en el que una gran instalación de generación, en lugar de absorber potencia reactiva según dictaba el estado de sobretensión del sistema, añadió (inyectó) potencia reactiva a la red.¹⁹ Esta acción actuó como un bucle de realimentación positiva, elevando aún más las tensiones locales y provocando el disparo de protección de los generadores adyacentes.⁴ Este modo de fallo específico es indicativo de un problema más profundo: los controladores heredados proporcional-integral (PI) y proporcional-integral-derivativo (PID) están sintonizados para la estabilidad en régimen permanente y a menudo fallan al manejar la dinámica no lineal y multivariable de una red sometida a una amortiguación rápida de oscilaciones.¹³

Desde la perspectiva de Veriprajna, esto representa un fallo de la «aplicación simbólica». Un sistema gobernado por una arquitectura neuro-simbólica habría bloqueado físicamente la inyección de potencia reactiva. En tal sistema, el actor neuronal podría sugerir una señal de control basada en una lectura local errónea, pero la capa de lógica simbólica —programada con las reglas deterministas del P.O. 7.4— identificaría que $V > V_{max}$ y $dV/dt > 0$, aplicando así una orden de absorción obligatoria con independencia de la salida de la capa neuronal.⁷

Las limitaciones de la IA probabilística y de las soluciones basadas en envoltorios

El auge del interés empresarial en la IA ha llevado a la proliferación de envoltorios de LLM —aplicaciones que utilizan una API de terceros (OpenAI, Anthropic, Google) para procesar datos—. Si bien estos modelos son excepcionales en el procesamiento del lenguaje natural, son fundamentalmente probabilísticos y no deterministas.⁷ Operan sobre correlaciones estadísticas en lugar de sobre las leyes de la física. En el contexto del apagón del 28 de abril, un modelo de IA probabilística usado para la monitorización de la red habría presentado tres modos críticos de fallo:

1. Alucinación de estados físicos: Los modelos probabilísticos optimizan la salida que suena más plausible. En una crisis de red, un LLM podría informar de que «los niveles de tensión se están estabilizando» basándose en patrones históricos de recuperación de oscilaciones, aunque los datos de sensores en tiempo real indiquen una cascada divergente de sobretensión.⁷
2. Latencia de inferencia: La IA basada en envoltorios depende del procesamiento en la nube y de llamadas a API, que introducen latencias del orden de 500 ms a varios segundos.⁷ En un evento de pérdida de 15 GW en el que la frecuencia cae por debajo de los umbrales críticos en menos de cinco segundos, una respuesta subsegundo es obligatoria. La inferencia nativa en el borde de Veriprajna alcanza latencias inferiores a 0,7 ms, lo que permite la corrección antes de que la cascada se complete.²²
3. Falta de verificación formal: Los LLM no pueden verificarse formalmente para seguir leyes físicas como la ley de tensiones de Kirchhoff (KVL) o la ecuación de oscilación (Swing Equation). Son «cajas negras» que tratan «probable» y «correcto» como conceptos idénticos.⁷ La arquitectura Deep AI de Veriprajna utiliza redes neuronales informadas por la física (PINN), donde la propia función de pérdida está acotada por los modelos matemáticos de la red eléctrica.²²

Rendimiento comparativo: paradigmas de control

Paradigma de control	Tipo de lógica	Latencia	Fiabilidad en extremos	Cumplimiento de protocolos
PI/PID heredado	Lineal/analógico	Microsegundos	Baja (la sintonización fija falla en eventos no lineales)	Manual/estático
Envoltorios de LLM	Probabilística	> 500 ms	Inexistente (riesgo de alucinación)	Basado en plausibilidad
Deep AI (PINN)	Físico-determinista	< 1 ms	Alta (leyes físicas embebidas)	Tiempo real / dinámico
Neuro-simbólico	Lógica determinista	< 10 ms	Alta (reglas aplicadas físicamente)	Simbólico codificado

Arquitectura de solución de Veriprajna: ingeniería de la inmunidad de la red

Para abordar las vulnerabilidades expuestas por el apagón ibérico, Veriprajna propone una arquitectura Deep AI multicapa que integra la adaptabilidad de las redes neuronales con el rigor de la lógica simbólica y la certeza de las leyes físicas. Este sistema está diseñado para proporcionar «inmunidad determinista» —un estado en el que la capa de control de la red es físicamente incapaz de ejecutar una acción que viole los protocolos de seguridad o las constantes físicas—.

Capa 1: redes neuronales informadas por la física (PINN) para el control en milisegundos

Las PINN representan la evolución de la arquitectura neuronal para sistemas ciberfísicos. En lugar de aprender únicamente a partir de datos históricos, las PINN embuten las ecuaciones diferenciales que rigen la dinámica del sistema eléctrico directamente en el proceso de entrenamiento.²² Para un inversor formador de red, la PINN se entrena usando la ecuación de oscilación (Swing Equation) como restricción de pérdida:

$$M_i \frac{d\omega_i}{dt} = P_{set,i} - P_i - D_i(\omega_i - \omega_{ref})$$

Donde $M_i$ representa la inercia virtual y $D_i$ representa el amortiguamiento.²² Al minimizar el residual de esta ecuación durante la inferencia, la PINN asegura que sus salidas de control de frecuencia y tensión sean físicamente coherentes. En el evento de 2025, un controlador PINN en la subestación de Granada habría identificado las oscilaciones sub-síncronas no como ruido, sino como una violación dinámica, proporcionando amortiguación activa hasta 87 veces más rápida que los métodos convencionales de optimización.²⁴

Capa 2: aplicación de protocolos neuro-simbólica

El incumplimiento de las centrales del P.O. 7.4 fue esencialmente un fallo de «Sabiduría» (Prajna) —la capacidad de aplicar contexto y reglas a los datos brutos—. La arquitectura «sándwich» neuro-simbólica de Veriprajna separa el «sabor» del procesamiento neuronal (intuición) de la «mecánica» de la lógica simbólica (reglas).⁷

En este marco, la capa simbólica actúa como guardián. Para la red ibérica, codificamos el P.O. 7.4 completo y la metodología ICS en un DSL formal (lenguaje de dominio específico).⁷ Cuando un sensor detecta una sobretensión, el motor simbólico activa un estado obligatorio de «absorción reactiva». Cualquier señal de control de la red neuronal que sugiera inyección reactiva queda bloqueada físicamente por una «barandilla constitucional».⁷ Esto garantiza que el incidente en el que una central «añadió en lugar de absorber» potencia reactiva se convierta en una imposibilidad física.¹⁹

Capa 3: NGC nativos en el borde (Neural Grid Controllers)

Para resolver la «brecha de observabilidad», la inteligencia debe trasladarse desde la sala de control del TSO hasta el transformador del lado colector.¹² Los NGC de Veriprajna son dispositivos especializados de computación en el borde que realizan mediciones de sincro-forma de onda de alta resolución.²⁵ Estos dispositivos ejecutan un bucle continuo de optimización cada 100 milisegundos, consultando modelos locales de predicción para las próximas 4 horas de producción mientras ejecutan simultáneamente órdenes a los inversores para mantener la estabilidad local de tensión dentro de $\pm 0.02$ por unidad (pu).²³

Capa 4: aprendizaje por refuerzo multiagente (MARL) para la restauración de la red

El período de restauración de 24 horas de la red ibérica se vio obstaculizado por la complejidad de los procedimientos manuales de arranque en negro.⁴ Veriprajna utiliza IA agéntica basada en el benchmark RL2Grid para automatizar la restauración de la red.²⁷ Estos agentes operan en un marco jerárquico:

• Agentes locales: Gestionan islas de potencia individuales, asegurando que las unidades de arranque en negro (como la central hidroeléctrica de Castelo de Bode) no experimenten colapso de tensión al reconectar las cargas.²⁷
• Agentes coordinadores: Supervisan la sincronización de las islas, realizando una reconfiguración topológica en tiempo real para optimizar el margen acumulado disponible a través de las líneas de transporte.²⁷

Durante la recuperación de 2025, este sistema habría enrutado de forma autónoma el apoyo de 900 MW de Marruecos y de 2 GW de Francia hacia las «islas» de máxima prioridad manteniendo el equilibrio determinista, reduciendo probablemente el apagón de 24 horas a una ventana de recuperación de 4 horas.⁹

Cumplimiento normativo y el Reglamento de IA de la UE

Dado que la tecnología de control de la red se clasifica como «infraestructura crítica» bajo el Reglamento de IA de la UE, la transparencia y la explicabilidad no son opcionales.³¹ Las soluciones basadas en envoltorios no superan esta prueba porque no pueden proporcionar una «causa raíz» de sus predicciones. La IA neuro-simbólica de Veriprajna ofrece trazas de decisión comprensibles para humanos.²⁰

En caso de una intervención automatizada, el sistema produce una pista de auditoría:

• Disparador: Detección de SSO a 0,63 Hz mediante la capa neuronal.
• Violación de restricción: Límite dinámico de tensión del P.O. 7.4 (435 kV) superado.
• Acción: La capa simbólica aplicó de forma obligatoria la $Q$-absorción (30% de $P_{max}$).
• Resultado: Tensión estabilizada en 418 kV; se evitó el disparo del lado colector.

Este nivel de detalle satisface los requisitos de la metodología ICS y las clasificaciones de casos de uso de alto riesgo del Reglamento de IA de la UE, proporcionando a los TSO la «verdad verificable» exigida para la responsabilidad legal y operativa.¹

Hoja de ruta de implementación estratégica para la inmunidad de la red

La transición de los sistemas heredados a una red impulsada por Deep AI requiere un enfoque por fases que equilibre la mitigación inmediata del riesgo con la modernización a largo plazo de la infraestructura.

Fase 1: observabilidad de alta resolución e integración del gemelo digital (0-6 meses)

El paso inicial se centra en desplegar sensores de sincro-forma de onda de alta resolución en el nivel colector de todos los activos de generación. Estos datos se alimentan a un gemelo digital de red inteligente (SGDT), que sirve como «simulador de vuelo» de la red.³³ Al ejecutar DNN dentro del gemelo digital, los ingenieros pueden monitorizar violaciones ocultas de sobretensión —el mecanismo exacto que permitió que la cascada ibérica pasara desapercibida hasta que fue demasiado tarde—.¹²

Fase 2: despliegue de barandillas neuro-simbólicas (6-18 meses)

La segunda fase implica el despliegue de motores de reglas simbólicas sobre el hardware de control existente. Estos motores actúan como un «cortafuegos de seguridad», monitorizando la salida de los sistemas PID y AGC (control automático de generación) actuales. Si un sistema heredado intenta inyectar potencia reactiva durante una sobretensión —como ocurrió en el apagón de 2025—, la barandilla neuro-simbólica intercepta y corrige la orden basándose en las reglas deterministas del P.O. 7.4.⁷

Fase 3: control PINN nativo en el borde para nodos con alta penetración de inversores (18-36 meses)

La fase final apunta a sustituir los controladores heredados en parques eólicos y solares por los Neural Grid Controllers (NGC) de Veriprajna. Estos dispositivos habilitan capacidades de formación de red y amortiguación activa de oscilaciones sub-síncronas mediante arquitecturas PINN.²² Esta etapa transforma la red de un sistema reactivo que responde a los fallos en un sistema inmune que estabiliza de forma preventiva las perturbaciones a la velocidad de la electricidad.

Conclusión: el imperativo soberano de la Deep AI

El apagón ibérico del 28 de abril de 2025 no fue un fallo de las renovables, sino un fallo de inteligencia. Expuso el peligro de gestionar flujos energéticos del siglo XXI con protocolos de control del siglo XX y automatización probabilística en fase temprana. La pérdida súbita de 15 GW y el posterior apagón de un día en España y Portugal demuestran que la infraestructura crítica requiere un nivel de certeza que los envoltorios de LLM y los controladores heredados simplemente no pueden proporcionar.

La misión de Veriprajna es ingeniar esta certeza. Al integrar las leyes de la física directamente en las arquitecturas neuronales y aplicar los protocolos regulatorios mediante lógica simbólica determinista, ofrecemos un camino hacia una red que no solo sea «inteligente», sino fundamentalmente inmune al fallo en cascada. Para la compañía eléctrica moderna, la elección ya no es entre energía convencional o renovable, sino entre vulnerabilidad probabilística y resiliencia determinista. El apagón de 2025 fue una llamada de atención; la Deep AI es la respuesta.

En entornos empresariales de alto riesgo, no hay lugar para lo «probable» o lo «plausible». Solo existe el requisito de la verdad. Veriprajna entrega esa verdad, asegurando que las luces permanezcan encendidas no porque esperáramos que así fuera, sino porque las ingeniamos para que fueran físicamente incapaces de apagarse.

Obras citadas

1. 28 April 2025 Blackout - ENTSO-e, consultado el 9 de febrero de 2026, https://www.entsoe.eu/publications/blackout/28-april-2025-iberian-blackout/
2. Blackout and System Restoration on the Iberian Peninsula on April ..., consultado el 9 de febrero de 2026, https://www.ees.tf.fau.de/files/2025/05/Blackout_ES_PT_FR_28_04_2025_en.pdf
3. 2025 Iberian Peninsula blackout - Wikipedia, consultado el 9 de febrero de 2026, https://en.wikipedia.org/wiki/2025_Iberian_Peninsula_blackout
4. Future-Proofing GB's Power System: Reflections on the April 2025 Iberian Event Summary, consultado el 9 de febrero de 2026, https://www.neso.energy/document/368991/download
5. The Iberian Blackout: Not a Failure of Renewables - A Wake-Up Call for Grid Resilience, consultado el 9 de febrero de 2026, https://www.ren21.net/the-iberian-blackout-not-a-failure-of-renewables-a-wake-up-call-for-grid-resilience/
6. Red Eléctrica presents its report on the incident of 28 April and ..., consultado el 9 de febrero de 2026, https://www.ree.es/en/press-office/news/press-release/2025/06/red-electrica-presents-report-incident-28-april-and-proposes-recommendations
7. Veriprajna - Neuro-Symbolic AI Systems, consultado el 9 de febrero de 2026, https://veriprajna.com/
8. Industries We Serve - Veriprajna, consultado el 9 de febrero de 2026, https://veriprajna.com/industries
9. The Iberian Peninsula Blackout — Causes, Consequences, and Challenges Ahead, consultado el 9 de febrero de 2026, https://www.bakerinstitute.org/research/iberian-peninsula-blackout-causes-consequences-and-challenges-ahead
10. Analysis of events leading to the peninsular blackout of April 28, 2025, consultado el 9 de febrero de 2026, https://compass-lexecon.files.svdcdn.com/production/editorial/2025/08/20250728_CL-Blackout-Spain_en.v2.pdf?dm=1754394585
11. Analysis of events leading to the peninsular blackout of April 28, 2025 - aelec, consultado el 9 de febrero de 2026, https://aelec.es/wp-content/uploads/2025/07/20250730_CL_INESCTEC_Blackout_full-report_en.pdf
12. The Iberian Blackout: A Black Swan or a Gray Rhino? † A Thorough Power System Analysis - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/html/2511.17433v1
13. Impact of Reactive Power Generation and Absorption on Voltage Regulation. A case study in an Industrial Power System - International Journal of Engineering Research & Technology, consultado el 9 de febrero de 2026, https://www.ijert.org/impact-of-reactive-power-generation-and-absorption-on-voltage-regulation-a-case-study-in-an-industrial-power-system
14. Voltages and Reactive Power Controls in Power System Network Using Automatic Voltage Regulator (Avr) and Static Var Compensator - IOSR Journal, consultado el 9 de febrero de 2026, http://iosrjournals.org/iosr-jeee/Papers/Vol11%20Issue%201/Version-2/D011122934.pdf
15. The Importance of Reactive Power in Power System Network, consultado el 9 de febrero de 2026, https://www.elprocus.com/importance-of-reactive-power-in-power-system-network/
16. Red Eléctrica authorises the first renewables that can contribute to dynamic voltage control, consultado el 9 de febrero de 2026, https://www.ree.es/en/press-office/news/press-release/2025/10/redelectrica-authorises-first-renewables-can-contribute-dynamic-voltage-control
17. ARTIFICIAL INTELLIGENCE DRIVEN OPTIMIZATION OF PV STATCOM PI CONTROLLERS FOR REGULATORY COMPLIANT POWER QUALITY IN MOROCCAN DIST, consultado el 9 de febrero de 2026, http://www.jatit.org/volumes/Vol103No16/3Vol103No16.pdf
18. Spanish grid operator authorizes renewables for dynamic voltage control - PV Magazine, consultado el 9 de febrero de 2026, https://www.pv-magazine.com/2025/10/30/spanish-grid-operator-authorizes-renewables-to-provide-dynamic-voltage-control/
19. Madrid | Lucas Laursen, consultado el 9 de febrero de 2026, https://lucaslaursen.com/category/datelines/madrid/
20. Neuro-Symbolic AI for Explainable Decision-Making in Autonomous Grid Operations - Preprints.org, consultado el 9 de febrero de 2026, https://www.preprints.org/manuscript/202508.0747/v1/download
21. Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions, consultado el 9 de febrero de 2026, https://arxiv.org/html/2510.25445v1
22. Physics-Informed Neural Networks (PINNs) for Real-Time Grid ..., consultado el 9 de febrero de 2026, https://www.preprints.org/manuscript/202507.0721
23. Physics-Informed Neural Networks (PINNs) for Real-Time Grid-Forming Inverter Control: Embedding Physical Laws into Deep Learning Models | Sciety, consultado el 9 de febrero de 2026, https://sciety.org/articles/activity/10.20944/preprints202507.0721.v1
24. Physics-Informed Neural Networks for Power Systems - DTU Research Database, consultado el 9 de febrero de 2026, https://orbit.dtu.dk/files/215621776/1911.03737_1_.pdf
25. Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/html/2403.06942v2
26. The Neural Grid: A Novel Architecture for Powering AI Through Millions of Homeowner Micro-Grids | by Brian Curry | Dec, 2025 | Medium, consultado el 9 de febrero de 2026, https://medium.com/@brian-curry-research/the-neural-grid-a-novel-architecture-for-powering-ai-through-millions-of-homeowner-micro-grids-8347e80323f7
27. RL2Grid: Benchmarking Reinforcement Learning in Power Grid Operations - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/html/2503.23101v1
28. Agentic AI: The next evolution in enterprise automation - Grid Dynamics, consultado el 9 de febrero de 2026, https://www.griddynamics.com/blog/agentic-ai-strategy
29. INVESTIGATION INTO THE IBERIAN BLACKOUT OF 28 APRIL 2025 - ERSE, consultado el 9 de febrero de 2026, https://www.erse.pt/media/qovd5vgq/ersexplica25_vfinal-en.pdf
30. LEMAD: LLM-Empowered Multi-Agent System for Anomaly Detection in Power Grid Services, consultado el 9 de febrero de 2026, https://www.mdpi.com/2079-9292/14/15/3008
31. Sustainable AI and the rise of the energy-efficient data center | AMD, consultado el 9 de febrero de 2026, https://www.amd.com/content/dam/amd/en/documents/epyc-business-docs/white-papers/sustainable-ai-rise-of-energy-efficient-data-center-tech-target-report.pdf
32. VDE ETG: Better management of complexity in the power grid with AI, consultado el 9 de febrero de 2026, https://www.vde.com/en/press/press-releases/ai-grid-control-technology
33. Deep Neural Networks in Smart Grid Digital Twins: Evolution, Challenges, and Future Outlooks - ResearchGate, consultado el 9 de febrero de 2026, https://www.researchgate.net/publication/393424486_Deep_Neural_Networks_in_Smart_Grid_Digital_Twins_Evolution_Challenges_and_Future_Outlooks